Uczenie maszynowe: Opanuj nadzorowane i nienadzorowane algorytmy uczenia się na prawdziwych przykładach

Opinie czytelników

Książka ma na celu zapewnienie prostego i zwięzłego wprowadzenia do uczenia maszynowego, dzięki czemu jest dostępna dla początkujących. Zawiera praktyczne ćwiczenia i obejmuje różne tematy, ale niektórzy użytkownicy uważają ją za zbyt podstawową i pozbawioną głębi.

Książka wyjaśnia koncepcje uczenia maszynowego w prosty i zwięzły sposób, odpowiedni dla początkujących. Zawiera wiele rozwiązanych ćwiczeń i praktycznych zastosowań, co czyni ją dobrym zakupem dla początkujących.

Wielu użytkowników uważa, że treść jest zbyt podstawowa i brakuje jej głębi; nie wyjaśnia, w jaki sposób modele uczenia maszynowego działają wewnętrznie. Niektórzy czytelnicy uważają, że jest to bardziej zeszyt ćwiczeń ze względu na skupienie się na pytaniach i odpowiedziach, pozostawiając im bardziej szczegółowe wyjaśnienia, zwłaszcza w przypadku pojęć takich jak regresja liniowa.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples

Zawartość książki:

OPIS

Książka oferuje czytelnikom podstawowe koncepcje technik uczenia maszynowego w przyjaznym dla użytkownika języku. Książka ma na celu przekazanie dogłębnej wiedzy na temat różnych algorytmów uczenia maszynowego (ML) i praktycznej implementacji różnych podejść ML.

Książka ta obejmuje różne nadzorowane algorytmy uczenia maszynowego, takie jak model regresji liniowej, klasyfikator Nave Bayesa, drzewo decyzyjne, K-najbliższy sąsiad, regresja logistyczna, maszyna wektorów nośnych, algorytmy losowego lasu, nienadzorowane algorytmy uczenia maszynowego, takie jak klastrowanie k-średnich, klastrowanie hierarchiczne, Probabilistic clustering, Association rule mining, Apriori Algorithm, f-p growth algorithm, Gaussian mixture model i Reinforcement Learning algorithm, takie jak Markov Decision Process (MDP), Bellman equations, policy evaluation using Monte Carlo, Policy iteration and Value iteration, Q-Learning, State-Action-Reward-State-Action (SARSA). Obejmuje również różne techniki ekstrakcji i selekcji cech, system rekomendacji oraz krótki przegląd głębokiego uczenia.

Pod koniec tej książki czytelnik będzie w stanie zrozumieć koncepcje uczenia maszynowego i z łatwością wdrożyć różne algorytmy uczenia maszynowego do rzeczywistych problemów.

CZEGO SIĘ NAUCZYSZ

Wykonywanie technik ekstrakcji i selekcji cech.

Nauczyć się wybierać najlepszy algorytm uczenia maszynowego dla danego problemu.

Zdobycie umiejętności korzystania z popularnych bibliotek Pythona, takich jak Scikit-learn, pandas i matplotlib.

Ćwiczenie implementacji różnych typów technik uczenia maszynowego.

Poznanie sztucznych sieci neuronowych wraz z algorytmem wstecznej propagacji.

Skorzystaj z różnych rekomendowanych systemów z potężnymi algorytmami.

DLA KOGO JEST TA KSIĄŻKA

Ta książka jest przeznaczona dla studentów nauk o danych i analityki, pracowników akademickich i badaczy, którzy chcą zgłębić koncepcje uczenia maszynowego i przećwiczyć zrozumienie rzeczywistych przypadków. Znajomość podstawowych pojęć statystycznych i programistycznych byłaby dobra, choć nie obowiązkowa.